混合高斯背景建模与更新
混高斯背景建模.
(4)
这个问题没有解析解，只有通过迭代的方法求解。EM算法就 是可以用于求解这个问题的一种迭代算法。
2015/1/25
混合高斯模型背景建模
5
EM算法
Байду номын сангаас
算法推导
我们面对一个含有隐变量的概率模型，目标是极大化观测 数据（不完全数据）Y关于参数θ的对数似然函数，即极大 化
L( ) log P(Y | ) log P(Y , Z | )
(5) Z (5)中有未观测变量并有包含和（或积分）的对数，进行（求 导）极大化比较困难。
log( P( Z | ), P(Y | Z , ))
Z
2015/1/25
混合高斯模型背景建模
6
EM算法
EM算法通过逐步迭代近似极大化L(θ)。假设在第i次迭 代后θ的估计值 是 (i ) 。我们希望新估计值θ能使L（θ）增 加，即 L ( ) L (θ (i) ) ，并逐步达到最大值。为此考虑两者的 差：
混合高斯模型背景建模
2015/1/25
3
EM算法
解：三硬币模型可以写作
P( y | ) P( y, z | ) P( z | )P( y | z, )
z z
(1) 这里，随机变量y是观测变量，表示一次试验观测的结果是 1或0；随机变量z是隐变量，表示未观测到的抛硬币A的结果； θ=(π,p,q)是模型参数。其中，y的数据可以观测，z的数据 不可观测。 T Z (Z , Z ,...,Z ) Y ( Y , Y ,..., Y ) 1 2 n ，未观测数据表示为 将观测数据表示为 则观测数据的似然函数为 (2) P(Y | ) P(Z | )P(Y | Z , )
基于高斯混合模型的背景建模球员检测算法
测效果的负面影响。
动态场 景下运动 目标检测 的关键 问题是如何 建立背景
模 型 和 实 时 更 新模 型参 数 以适 应 背 景 变 化 。 目前 ， 经 提 出 已
１ 引 言
体育视频 中， 球员 的检测作 为整个 体育视频分 析系统的
底层 ， 目标 是尽 可能精确地从视频 图像 序列 中将球 员区域提 取 出来 。运动员检测 效果 对后续 的跟 踪、 别 、 战术 分析 识 及 等影 响巨大 。然而 ， 由于体育视 频背 景 图像 的频 繁变化 ， 如
ｓａ ｅ Ａｃ ｏ ｄｎｇ ｔ ｈ ｐ ｃ ａ ｒａ，ｔ ｅ Ｇａ ｓＭ ｉｔ ｒ ｄｅｓａ ｅ ｕ ｄａｅ ｔ ｆｅｅ ｔｒｔ ｓ Ｆ ｎ ｌ ｔｇ ． ｃ ｒ ｉ ｏ ｔ ｅ ｓ ｅ ｉｌａｅ ｈ ｕｓ ｘ ｕ ｅ Ｍｏ ｌ ｒ ｐ ｔ ｄ ｗｉｈ ｄｉ ｒ ｎ ａｅ ． ｉ ａｌ ｙ，ｂ ｃ ｇ ｏ ｎ ａ ｋ ｒｕ ｄ
第２卷 第９ ７ 期
文章编号 ：０ ６— ３ ８ ２ １ ） ９— ２ ８—０ １０ ９ ４ （０ ０ ０ ０ ５ ５
计
算机仿源自真 ２１年９ ０ ０ 月
基 高 混 合模 型 的 背景 建模 球 员检 测 算 法 于 斯
阁 刚 ， 国栋 ， 崔 于 明
（ 河北 工 业 大 学 计 算 机 科 学 与 软件 学 院 ， 津 ３０ ３ ） 天 ０ １０ 摘 要 ： 研 究 体 育视 频 的 问题 中 ， 对 现 有 的 运 动 目标 检 测 方 法 在 体 育 视频 中易 受 场 景 变 化 的影 响不 能 准 确 检 测 出 运 动 员 ， 在 针
中 图分 类 号 ：Ｐ ９ Ｔ ３１ 文献 标 识 码 ： Ｂ
Ｐｌｙ ｒ Ｄｅ ｅ ｔｏ ｇ ｒｔ ｍ ｓ ｄ ｎ Ｇ ａ ｓａ ａ ｅ ｔ ｃｉ ｎ Ａｌ ｏ ｉｈ Ｂａ ｅ ｏ ｕｓｉ ｎ
试描述基于高斯混合模型背景建模的步骤
试描述基于高斯混合模型背景建模的步骤背景建模是计算机视觉领域中的一个重要问题，它被广泛应用于目标检测、跟踪、视频分析等领域。
背景建模的目的是从输入的视频序列中估计出场景的背景模型，以便于检测出场景中的前景目标。
在背景建模中，高斯混合模型（Gaussian Mixture Model，GMM）是一种常见的背景建模方法。
基于高斯混合模型背景建模的步骤主要包括以下几个方面：1. 数据预处理在进行背景建模之前，需要对输入的视频数据进行预处理。
预处理的主要目的是去除图像中的噪声和不利于背景建模的影响因素，例如光照条件的变化、相机的移动等。
预处理的方法包括平滑滤波、图像增强、运动补偿等。
2. 模型初始化在建立GMM模型之前，需要对模型进行初始化。
初始化的目的是确定每个高斯分量的初始参数，包括均值、方差和权重。
通常情况下，可以使用先验知识或者简单的聚类算法来初始化模型。
3. 建立GMM模型建立GMM模型是背景建模的核心部分。
在该步骤中，需要使用EM算法来估计高斯混合模型的参数。
EM算法是一种迭代算法，它通过交替进行两个步骤来求解问题，即E步骤和M步骤。
在E步骤中，计算每个像素的后验概率，即该像素属于每个高斯分量的概率；在M步骤中，使用最大似然估计法更新高斯分量的参数。
迭代过程会一直进行，直到收敛为止。
4. 背景模型更新背景模型的更新是指随着时间的推移，背景模型需要不断地进行更新以适应场景的变化。
在模型更新的过程中，需要考虑到前景目标的影响，以避免将前景目标误判为背景。
在更新模型时，可以采用加权平均法、自适应学习率法等方法。
5. 前景检测在背景模型建立完成后，可以通过前景检测来识别场景中的前景目标。
前景检测的方法包括阈值法、基于形态学的方法、基于连通性的方法等。
通过前景检测，可以得到场景中的前景目标的位置信息和形状信息。
基于高斯混合模型的背景建模是一种常见的背景建模方法。
它通过建立高斯混合模型来估计场景的背景模型，从而实现前景目标的检测和跟踪。
自适应高斯混合背景建模算法的改进
Ｋ
． ． 一 ． ．一
１一）１ ）∞ 一 １ Ｇｆ｝ ｌ －一＋・ｌ 匹 ∞一 ｌ出 船 （ （１ 国 １ ｎ ，一 ｌ 【 －
：
（） ６
（） ７
／ｌ ／
尸 ） （ ＝
ｉ７ ， ， ：） ｔ７ ・（
１引 言 ．
如果 检 验 出该 像 素 混 合 高 斯 模 型 中至 少 有 一 个 高 斯 分 布 与
视 觉 监 控 系 统 通 过 自动 分析 摄 像 机拍 摄 的 序 列 图 像 ．实 现 像 素 值 。 匹配 ， 么混 合 高斯 模 型 的更 新 规 则 为 ： 那 对 动态 场 景 中兴 趣 目标 如 人 、 体 的定 位 、 踪 和 识 别 ， 在 此 物 跟 并 １对 于 不 匹 配 的 高 斯 分 布 ， 们 的 均 值 和 协 方 差 矩 阵 ∑ ） 它 基 础 上 分 析 和判 断 目标 的 行 为 ．进 而 判 断 是 否 有 异 常 或 危 险 情 保 持 不 变 ： 况 发 生 检测 并 分 割 出视 频 流 中 的 运 动 物 体 是 智 能 视 觉 监 控 应 ２ 匹 配 的 高 斯 分 布 Ｇ 的 均 值 根 据 公 式 （ ） 新 ； 方 差 ） ； ２更 协 用 的首要 步骤 ． 常采 用背 景 图像 减 除法 ｆ 来 实现 。 景 图 像 减 除 矩 阵 ∑ 根据 公 式 （ ） 新 。 － 背 ３更 法 首先 要 获 取 场景 的一 帧 参 考 图像 ．然 后 把摄 像 机 实 时 拍 摄 Ｘ ） ． 蠢
终 被 新 赋 值 的高 斯 分 布所 取代 ．
∑ ＝
０
０
０ ０
０
０
Ｂ＝ａｇ ｍｉ｛ ｒ ￣ ｎ
opencv mog2 原理
opencv mog2 原理OpenCV MOG2（Mixture of Gaussians）是一种常用的背景建模算法，用于视频中的移动目标检测。
MOG2算法基于高斯混合模型，能够自动学习和更新背景模型，从而准确地提取前景目标。
本文将介绍MOG2算法的原理和应用。
一、背景建模算法介绍背景建模是计算机视觉中的一项重要任务，广泛应用于视频监控、智能交通等领域。
其主要目的是从视频中提取出静态背景，以便于后续的目标检测和跟踪。
MOG2算法是背景建模算法中的一种，相比于传统的MOG算法，它具有更好的适应性和鲁棒性。
二、MOG2算法原理MOG2算法使用高斯混合模型来对每个像素的颜色进行建模，即假设每个像素的颜色值来自于多个高斯分布的混合。
通过学习像素颜色的分布，MOG2算法能够自动地建立起背景模型，并根据新的观测数据进行模型的更新。
MOG2算法的具体步骤如下：1. 初始化背景模型：对于每个像素，初始化一个包含K个高斯分布的混合模型，其中K是一个预先设定的常数。
2. 前景检测：对于每一帧输入图像，计算每个像素与其对应的背景模型之间的匹配度。
如果像素的颜色与背景模型的某个高斯分布的匹配度低于一个阈值，那么该像素被认为是前景。
3. 模型更新：对于被认为是前景的像素，更新其对应的高斯分布的参数；对于被认为是背景的像素，不进行更新。
通过这种方式，MOG2算法能够自动地适应场景变化，减少误检率。
4. 背景更新：定期对背景模型进行更新，以适应长时间运行中的光照变化和场景变化。
三、MOG2算法的优点MOG2算法相比于传统的背景建模算法具有以下优点：1. 自适应性：MOG2算法能够自动地学习和适应场景的变化，减少了手动调参的工作量。
2. 鲁棒性：MOG2算法能够处理光照变化、动态背景等复杂场景，具有更好的鲁棒性。
3. 低延迟：MOG2算法使用了基于高斯分布的建模方法，计算效率高，能够实时处理视频流。
四、MOG2算法的应用MOG2算法在视频监控、智能交通等领域得到了广泛的应用。
复杂条件下高斯混合模型的自适应背景更新
２１ ０ １年 ７月
计 算 机 应 用
Ｊ ｕ ａ ｆＣ ｍｐ ｔｒＡｐ ｌ Nhomakorabeaａｉ ｎ ｏ ｒ ｌ ｏ ｏ ｕｅ ｐｉ ｔ ｓ ｎ ｃ ｏ
Ｖｏ ． ． １ ３１ Ｎｏ ７
Ｊ ｌ ０ １ ｕｙ２ １
文章编号 ：０ １— ０ １ ２ １ ）７—１３ — ４ １０ ９ ８ （０ １ ０ ８ １ ０
ｄｉ１．７ ４ Ｓ ．．０ ７ ２ １ ． １３ ｏ：０ ３ ２ ／ Ｐ Ｊ １８ ．０ ０ ８ １ １
复 杂条 件 下 高 斯 混合 模 型 的 自适 应 背 景更 新
李明之 ， 马志强 ， 单 勇， 张晓燕
（ 空军工程大学 电讯工程学院 ， 西安 ７ ０７ １ ０７）
（ｉｉｎ２８ ＠ １６ ｅｍ） １ ａｇ ８７ ２ ．ｏ ｘ
Ａｂｔａｔ ｎｖ ｗ ｏ ｅｂｃ ｇ ｕ ｄ ｕ ｄｔ ｐｏ ｌ ｓｂ ｓｄ ｏ ａｓｉ ｘ ｒ Ｍｏｅ Ｇ Ｍ） ｕｈ ａ ｕ ｄｎ ｓ ｃ：Ｉ ｉ ｆｔ ａｋｒ ｎ ｐ ａｅ ｒｂｅ ａｅ ｎ Ｇ ｕｓ ｎ Ｍｉｕｅ ｄｌ（ Ｍ ，ｓｃ ｓｓｄ ｅ ｒ ｅ ｈ ｏ ｍ ａ ｔ
ｄｓｕｓｄ ｎ ｅｍ ｔｏ ａ ａｊｓ ｄｔ ａｋｒｕ ｄｕ ｄｔ ｒｔ ｏ ｅｔ ｇｔｅｉ ｃｏｄｎ ｅｔ ｇｔ ｈ ａｔｒ ｔ ｉ ｓｅ，ａｄｔ ｅ ｄｔ ｔ ｄｕｔ ｅｂ ｃｇｏｎ ｐ ａ ｅ ｆｈ ｅ ｒｇ ｎａｃｒｉｇｔ ｔ ｅ’ｃａ ｃ ｉ ｉ ｃ ｈ ｈ ｈ ｅ ｈ ｅａ ｔ ａ ｏ ｒ ｏ ｈ ａ Ｓ ｒ ｅ ｓｃ ｒ
在保证 了 目标检 测完整性的 同时， 高 了模 型对背景 变化 的适应 能力。 提
关 键 词 ： 斯 混 合 模 型 ； 景 更 新 ； 动 目标 检 测 高 背 运 中图 分 类 号 ： Ｐ９ ． １ Ｔ ３ １４ 文 献标 志 码 ： Ａ
混合高斯背景建模原理及实现
一、理论混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，可以对复杂动态背景进行建模，计算量较大。
在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。
对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律【单模态(单峰)，多模态(多峰)】。
对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。
当处理彩色图像时，假定图像像素点R、G、B三色通道相互独立并具有相同的方差。
对于随机变量X的观测数据集{x1,x2,…,x N}，x t=(r t,g t,b t)为t时刻像素的样本，则单个采样点x t其服从的混合高斯分布概率密度函数：其中k为分布模式总数，η(x t,μi,t,τi,t)为t时刻第i个高斯分布，μi,t为其均值，τi,t为其协方差矩阵，δi,t 为方差，I为三维单位矩阵，ωi,t为t时刻第i个高斯分布的权重。
详细算法流程：高斯背景模型是由Stauffer等人提出的经典的自适应混合高斯背景提取方法，是一种基于背景建模的方法，它是根据视频中的每个像素在时域上的分布情况来构建各个像素的颜色分布模型，依次来达到背景建模的目的。
混合高斯背景模型是有限个高斯函数的加权和，它能描述像素的多峰状态，适用于对光照渐变、树木摇摆等复杂背景进行准确建模。
此后经过很多研究人员的不断改进，该方法目前已经成为比较常用的背景提取方法。
高斯混合背景模型参数时空领域更新方法-revised by zhou
一基金项目：国家自然科学基金资助：60975015；重庆市科技攻关项目资助：CSTC2009AB2230 作者简介：赵红(1986-) 男，重庆人，研究生，研究方向：图像处理，计算机视觉，软件工程等。张小洪(1973-)， 男，四川人，副教授，主要研究方向：数字图像处理、模式识别、人工智能、科学与工程计算、软件工程 及应用等。
图 2 像素点在空间和时间邻域系统中的联系 Fig2 The relation between pixels in the spatial and temporal neighborhoodthe relationPixel neighborhood in
space and time, the link system system
u = I (x, y, t) = {(1−ρ )ut−1+ρ Xt if ( Mi,t =1)
t
ut−1 else
σ = { 2
(1−
ρ
)σ
2 t −1
+
ρ
(
X
t
−ut
)Τ
(
X
t
−ut
)
if ( M i,t =1)
t
σ
2 t −1
else
（6） （7）
ρ = αη (xt | uk ,σ k )
（8）
对于前后两帧检测出来的运动物体，由于忽视了空间像素之间的联系，常常会有很多孤 立的噪声点被当成了运动前景，或者说部分前景点被当成了背景，为了修正这样的错误，防 止其错误的累积，本文采用空间的像素信息进行修正。在高斯混合建模过程中，若某一像素 点和任何一个分布均不匹配，那么本文就把它当成一个前景点，而匹配的就称为背景点，并
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机学院专业实习报告专业名称计算机科学与技术实习题目基于多摄像机协同的运动对象分割与三维重建系统之背景建模与运动前景分割姓名李林班级10010804 学号2008302499实习时间指导教师杨涛Northwestern Polytechnical University2010年7月14日目录摘要 (1)第一章基本原理 (2)1.1高斯模型原理 (2)1.2 混合高斯背景建模与更新 (3)1.2.1 背景训练 (4)1.2.2 模板匹配 (4)1.2.3背景更新 (5)第二章运动物体提取 (6)2.1目标提取概述 (6)2.2 提取过程 (6)2.2.1 参数设置 (6)2.2.2 模型建立 (7)2.2.3 背景学习 (7)2.2.4 模板匹配与背景更新 (9)第3章其他增强效果算法 (10)3.1阴影的检测和去除 (10)3.1.1 阴影简介 (10)3.1.2 阴影检测法 (11)3.1.2 阴影去除 (13)3.2形态学滤波 (14)3.2.1 图像腐蚀与膨胀 (15)3.2.2 开运算和闭运算 (16)第四章最终成品 (18)4.1 成品说明 (18)4.1.1性能说明 (18)4.1.2成品样式 (19)4.1.3使用说明 (19)第五章实习心得 (19)摘要背景建模与运动前景分割是指从视频或者连续的图像序列中将运动的区域分割出来，本次实行所需的运动物体提取只是用来为后面的形成3维图形提供图像数据，日常生活中视频监控系统已广泛应用于各大公共场所，如公司，机场，酒店等都备有监控系统。
但对于大多数监控系统来说，都需要监控者保持对监控录像的观测。
如何实现视频监控系统的自动监控，是近年来比较关注的问题。
自动视频监控技术其主要内容之一就是能监视某一特定场景中的新目标的出现，首先检测视频序列图像中是否有变化，如图像变化，说明有新目标出现，则把这个目标从视频图像序列中分割提取出来，为下一步的目标识别和跟踪提取数据提供基础。
因此，一个视频监控系统的好坏，运动目标能否良好的提取是非常关键的。
目前运动目标的提取已经取得很多成果，并且不断有新技术、新方法出现。
但是，在实际应用中，由于自然环境复杂，目标机动性高，使得提取与跟踪时干扰因素多，提取不准确且匹配效率不高。
要提高跟踪的精度需要对复杂环境下的目标提取和跟踪进行研究，但到目前为止，仍没有一种普遍适用、比较完善的方法，因此对这两方面作进一步研究仍有很大空间。
针对本次实习的特殊场景，经分析决定采用混合高斯模型对运动图像进行提取，弥补单高斯模型不能适应背景微变化的这一缺陷，例如光照明暗、阴影等变化。
利用混合高斯模型对输入的视频进行学习，之后再对运动物体进行前景提取，形成二值图像，运动物体置为白色，背景值为黑色，由于在提取过程中会存在这一些噪声点，所以最后运用腐蚀与膨胀运算对图像进行去噪处理。
最终设计完形成的图像预计效果为能基本提取出运动物体，可能遇到较为复杂的背景会存在一定的噪声。
目前，从现有的测试数据来看程序能基本提取出运动物体，基本达到了预定的效果，在设计之中起初运用了帧间差分法，测试数据背景较为简单时能基本提取前景，但换成了光照发生变化的背景后运动物体的提取有明显难以改善的噪声，之后考虑更改算法，现有的算法中，光流法效果较为明显，但其算法较为复杂，不适合本次实习的开发，其次较为合适的还有单高斯模型，但其由于在变化的场景中表现不是很好，所以最终确定为采用混合高斯模型，GMM（Gaussian Mixture Model），高斯混合模型，是由Chris Stauffer 等人提出将其作为背景的统计模型，为同一场景中不同状态建立不同的高斯模型。
该算法较其它的算法（如光流法，帧差法等）有良好的自适应性。
本文采用了简化的GMM 对视频图像序列进行建模，并实现了对视频中的运动前景进行提取的效果。
本次实习的难点在于对于混合高斯模型算法的理解以及其参数的调试，不过经过两周的实习已对其有了一定的了解，总了来说较为圆满的完成了实习的任务。
第一章基本原理1.1高斯模型原理高斯分布，也称为正态分布。
是伟大的数学家高斯（Gauss）与1809 年在研究误差理论时推导出来的。
对于随机变量x，其概率密度为（1）其中μ 为高斯分布的期望，σ 为高斯分布的方差。
如果一组数据符合高斯分布，那么这种数据中的大多数会集中在以μ 为中心的-2σ 到2σ 范围内的这段区间里。
其函数分布曲线如图1 所示。
图1 高斯分布示意图在日常生活中，很多事件都是符合高斯分布的。
对于某一场景中的视频图像，如果其背景相对静止，没有扰动因素，那么背景中的每个像素点在一段时间序列中的排列就可以用一个高斯分布来描述。
但是在实际中，尤其是对于室外的场景，由于各种噪声的干扰，其背景变化是比较大的，会出现树枝摇动，光线变化等不同情况。
因此用一个高斯分布就不能来完全描述实际的背景情况。
这种情况下就需要采用多个高斯模型来描述动态的背景，为不同的状态建立不同的高斯模型。
将k 定义为建立的高斯模型的数目，那么当前观测点的像素值的概率密度为：（2）其中， i t w, 是每个单高斯模型的权值， i,t−1,k μ为第i个单高斯模型的均值， i,t −1,k σ为第i个单高斯模型的方差。
1.2 混合高斯背景建模与更新在采集的视频图像中是包含彩色分量的，一些应用中则使用了协方差的方法来进行计算，这种方法计算量大但效果提升不高，不适合实时性的要求。
因此，本算法中直接简化了这一过程，将彩色图像转为灰度图的方法来进行高斯混合建模。
根据场景的复杂程度，高斯模型的数量k 可以取值为3~7 个，k 值越大，其能表征的场景就越复杂，但相应的计算量也增大。
因此本算法中取k 值为3。
采用GMM 进行背景建模主要包含3 个步骤：背景训练，模板匹配及背景更新的过程。
1.2.1 背景训练首先对一段帧数的视频进行训练，通过训练帧中所得到模型计算出均值，方差和权重等各参数来从作为背景模型的参数。
在训练过程中，不必对每个高斯模型都进行确定，如果对于某一像素点来说，在训练时间内其灰度值变化不大，即其一个到两个高斯模型内就已经能包含图像中90%以上的像素值，那么可直接将有较大的方差和较小的权值的参数赋予其他模型。
本算法中将方差设为11，权值初始设置设为1。
通过对背景的训练，可以消除背景中的扰动因素，以避免将运动物体视为背景模型，训练帧数越长，所得到的背景模型越精确，但一般训练时间不超过50 帧，否则会影响整系统的启动时间。
1.2.2 模板匹配得到了背景模型后，通过模板匹配来进行前景分割。
在进行模板匹配前，首先要对混合高斯模型中的三个单高斯模型进行降序排序，判断那个高斯模型最有可能与背景图像进行匹配。
由于静态区域的点会比动态区域点的方差小，且运动物体出现会导致模型更新后该单高斯模型的权值降低，因此权值越大，方差越小，匹配度越高。
通过公式：dist<fTb*var （3）对混合模型中的各单个高斯模型进行优先级高低的排序后在进行匹配,其中dist 为马氏距离、fTb表示一阀值，var为模板中的方差。
如果当前帧的像素值与所有的高斯分布模型都不匹配，则可以判断该点为前景点，但找到匹配的高斯模型后，还不能就将其判断为背景点。
因为背景模型中还是可能包含一定的噪声和干扰因素，并不是所有的高斯模型能完全代表背景。
但由于噪声等干扰因素不会在图像中长时间停留在某一位置，其相对应的权值就应该很小。
在对高斯模型排序的过程中，需设定一个权值阀值T。
如果排序后所得到的第一个高斯模型的权值大于该阀值，则 B 为1，否则，按顺序累加各高斯模型的权值，只到其权值大于该阀值，并将该高斯模型序号赋给B。
其中 B 的定义如下:（4）T为为一阀值，这里设为0.9。
在上面进行匹配成功的模型中，如果该匹配模型号小于B 值为背景，否则为前景。
1.2.3背景更新由于场景中环境的不断变化，通过训练建立好的背景模型不可能适应新的背景的需要，因此，需要对背景进行实时更新，以保证前景提取的正确性。
在背景模型更新过程中，引入了学习率alpha 这一概率。
当学习率取值比较小，其适应环境变化的能力就低，需要给足够的时间才能更新背景模型。
相反，当alpha 取值较大时，其对场景的适应性较强，能很快的变化背景模型，但是对于一段时间内停留的场景中的目标，却很容易学入背景中去。
针对这种情况，算法对学习率进行调整，在图像中的不同处设定不同的学习速率，以保证场景变化的需要。
学习率的变化范围应该在0~1 之间。
对k 个高斯模型进行更新，也就是对混合高斯模型中的三个参数，即权值，均值和方差进行调整。
其权值的更新算法如下：weight=（1-alpha）*weight+alpha*fCT+alpha*MfCT为一参数，M 为匹配度，对于匹配上的模型取值为1，否则取值为0。
可见当像素点与高斯模型不匹配时，其权值会降低。
对于匹配上的i 个高斯模型，需对均值和方差进行更新。
更新算法如下：未匹配的模型，其均值和方差都保持不变。
如果对于当前点的像素值，其与所有的高斯分布模型都不匹配，则新建立一个高斯分布将混合高斯模型中排序最后一个的高斯模型替换掉，同样该分布应选取较大的方差和较小的权值，而其均值则设为当前像素点的值。
第二章运动物体提取2.1目标提取概述目标提取方法分为两种：一种是静态背景下的目标提取，另一种动态背景下的目标提取。
前一种情况通常发生在摄像头相对静止状态，后一种情况是摄像头发生相对运动的状态。
这里只讨论静态背景下的目标提取技术。
目前，运动提取算法主要有图像帧间差分法、光流法、背景减除法等。
尽管在针对不同的场景采用的算法可能存在差别，但其基本过程都如下图：2.2 提取过程2.2.1 参数设置在程序中有关混合高斯模型的参数有以下需要设置：图像的宽度：Width图像的高度：Height每个像素点最大高斯数目：nM每个新高斯模型的初始方差：Sigma高斯模型更新的学习率：Alpha公式（4）中的阀值：fCT用来更新和生成新高斯模型的阀值：fTg2.2.2 模型建立图像为24位色，其中的每个像素点都是由RGB颜色控件表示，所以每个高斯模型设置如下的数据存储结构：其中sigma表示为方差，muR、muG、muB分别表示RGB三色值的均值，weight表示每个模型在混合模型中权数。
在建立模型时首先获得图像的尺寸，为数据申请内存，之后先为每个像素点创建一个高斯模型，期中sigma的赋值为以初始化值，这里设置为11，muR、muG、muB均为第一张图像中每像素点的RGB值，由于每个像素点均只建立了一个模型，所以每个模型的weight都设为1.2.2.3 背景学习学习过程即为每个像素点更新高斯模型或者建立新的高斯模型，确定其参数，学习的好坏直接影响到后面运动物体提取的好坏，一般设置学习帧数不超于50帧，否则影响到程序启动的速度，在本次实习中，设置学习帧数为9帧，学习函数如下：void GMMForeground::Train(IplImage* Frame)输入一帧图像，以更新模型数据。